
SLAM — это вычислительный метод, позволяющий устройству одновременно строить карту окружающей среды и определять свое местоположение на этой карте.SLAM — это математический фреймворк, позволяющий движущейся платформе (роботу, дрону, автомобилю) одновременно уточнять собственное положение в пространстве и строить карту окружения. В основе лежит вероятностный подход: робот хранит не одну точную позицию, а целый веер возможных положений с разной степенью уверенности. Каждое новое измерение с датчиков — лазерного дальномера (лидара), инерциальных сенсоров, камер — обновляет это распределение. Ключевая идея — замкнуть петлю: когда робот возвращается в уже посещённое место, он узнаёт его и резко уменьшает накопившуюся ошибку.
Понятие SLAM было формализовано Хью Дюррант-Уайтом и Джоном Дж. Леонардом в 1991 году, хотя предшествующие работы (например, Чейн, 1986) уже решали похожие задачи. Ранние реализации опирались на расширенный фильтр Калмана (EKF) и работали с радарными или сонарными данными. Переломным стал 2002 год, когда Монтемерло и Трун представили FastSLAM — алгоритм на основе фильтра частиц, способный обрабатывать тысячи ориентиров в реальном времени. Современные подходы, такие как ORB-SLAM, используют мультисенсорное слияние и архитектуру графов, достигая высокой точности на больших масштабах.
Вероятностный SLAM моделирует совместное распределение P(x_{1:t}, m | z_{1:t}, u_{1:t}), где x — траектория, m — карта, z — наблюдения, u — управляющие сигналы. Обычно применяется рекурсивная байесовская фильтрация: предсказание на основе модели движения, коррекция по данным сенсоров. В Graph SLAM задача трансформируется в разреженный граф, где узлы — позы робота и ориентиры, а рёбра — ограничения от одометрии и наблюдений. Оптимизация графа методами Ньютона-Гаусса или Левенберга-Марквардта даёт наилучшую оценку всей истории. Для замыкания петли используются методы распознавания мест (place recognition) — часто на основе визуальных мешков слов (BoW) для камерных систем. Фильтры частиц, в свою очередь, представляют распределение множеством гипотез (частиц), каждая из которых имеет свою карту; этот подход эффективен для нелинейных моделей и ненормальных шумов.
Беспилотный автомобиль не едет вслепую — он строит трёхмерную модель улицы и понимает, где находится. Роботы-пылесосы запоминают план квартиры, чтобы не пропускать углы.
Некоторые системы SLAM используют сразу несколько камер и инерциальные датчики, подобно тому как человек ориентируется, глядя глазами и чувствуя наклон тела.

















